[发明专利]一种可解释的动态疾病严重程度预测方法

权利要求书

1.一种可解释的动态疾病严重程度预测方法，其特征在于，包括以下方法：

S1、从MIMIC-III数据库中抽取SOFA评分、患者状态和药物使用信息，处理成时间序列的格式，并进行预处理；

S2、根据所述药物使用信息，通过被使用的药物的名称链接到UMLS术语库中的药物实体、关系和相应的医学实体，构建药物相关知识图谱；

S3、使用知识图谱嵌入模型将所述药物相关知识图谱嵌入到一个低维连续向量空间，得到所有药物实体的嵌入；

S4、根据所述SOFA评分得到当前时刻的SOFA变化值，根据当前时刻的SOFA变化值确定所属的类别为i，将所述患者状态、药物实体的嵌入分别乘以患者状态权重矩阵、药物权重矩阵的第i行进行权重处理，i＝1,2,···,7；患者状态权重矩阵中第i行j列的值θ_ij表示第i类下第j个患者状态，药物权重矩阵中第i行j列的值ω_ij表示第i类下第j种药物对SOFA变化值的影响权重值，N₁表示患者状态总数，N₂表示药物总数：

S5、将所述SOFA评分、进行权重处理后的患者状态和药物实体的嵌入拼接的时间序列数据输入到TCN预测模型，输出预测的SOFA评分趋势；并根据所述预测的SOFA评分趋势得到所属的预测类别，通过SGD学习模型分别训练更新所述患者状态权重矩阵和药物权重矩阵。

2.根据权利要求1所述的可解释的动态疾病严重程度预测方法，其特征在于，还包括：

S6、对所述预测的SOFA评分趋势进行解释：取所述患者状态权重矩阵或药物权重矩阵的某一类下高于权重阈值的权重值对应的变量，分别作为重要患者状态或重要药物，根据所述重要患者状态提示患者的疾病严重程度变化趋势，根据所述重要药物结合所述药物相关知识图谱得到导致SOFA评分升高的直接原因。

3.根据权利要求1所述的可解释的动态疾病严重程度预测方法，其特征在于，步骤S1中，所述SOFA评分的抽取方法为：在MIMIC-III的D_ITEMS与D_LABITEMS两个表中查询与SOFA评分有关的项的名称，并用对应的项ID到CHARTEVENTS和LABEVENTS两个表中查询项对应的值和时间；项的值根据SOFA评分的定义被映射到SOFA评分上；根据ICU的唯一编号到ICUSTAYS表中查询此次ICU的开始时间，并用所述项的时间减去所述开始时间来计算SOFA评分对应的时间。

4.根据权利要求1所述的可解释的动态疾病严重程度预测方法，其特征在于，步骤S1中，所述患者状态包括的特征有：患者的人口统计学数据、生理参数、实验室检验结果、合并症。

5.根据权利要求1所述的可解释的动态疾病严重程度预测方法，其特征在于，步骤S1中，所述药物使用信息从MIMIC-III的INPUTEVENTS_MV表中抽取，使用1代表该药物在当前时间被使用，0则相反。

6.根据权利要求1所述的可解释的动态疾病严重程度预测方法，其特征在于，步骤S1中，所述预处理包括数据清洗和缺失值填补。

7.根据权利要求1所述的可解释的动态疾病严重程度预测方法，其特征在于，所述药物相关知识图谱共包含38,117个医学实体，154种关系，以及186840个三元组，其中，所述医学实体中包括157种与药物使用信息对应的药物实体。

8.根据权利要求1所述的可解释的动态疾病严重程度预测方法，其特征在于，所述SOFA变化值为当前时刻的SOFA评分减去入院时刻的SOFA评分，被分为7个类，均为整数，当SOFA变化值在小于等于零时分为第一类，等于1时分为第二类，等于2时分为第三类，等于3时分为第四类，等于4时分为第五类，等于5时分为第六类，在大于等于6时分为第七类。

9.根据权利要求1所述的可解释的动态疾病严重程度预测方法，其特征在于，所述知识图谱嵌入模型采用TransE模型。

10.根据权利要求1所述的可解释的动态疾病严重程度预测方法，其特征在于，所述TCN预测模型的输入的SOFA评分在输入前在嵌入层被嵌入为1*80维向量，所述TCN预测模型的深度为6，卷积核为2。